字节跳动与北大团队在《nature computational science》发表论文，利用深度神经网络高效求解量子激发态
突破性进展： 字节跳动研究部门（ByteDance Research）与北京大学团队合作，在神经网络量子变分蒙特卡洛方法 (NNVMC) 中引入物理对称性，显著提升了量子激发态的计算精度和效率。该研究成果已发表在《Nature Computational Science》期刊，并已开源相关代码。
论文及代码：
- 论文： https://www.php.cn/link/1c09cec8e3fb5f6dd4fd22a5c644d3e5
- 代码：https://www.php.cn/link/f9470a9c5982e834a183a0b97322afdf
华东师范大学何晓老师等人在该期刊的News & Views栏目发表评论文章，详细解读了这项研究。评论文章链接：https://www.php.cn/link/bfdbc88767ec7e391c7ceb9dd747f440
研究方法： 该研究巧妙地将物理对称性融入NNVMC框架，有效提高了计算精度。文章包含了详细的计算结果图表，展示了该方法在基态和激发态计算上的显著优势，尤其在对双自由基体系（计算自旋三重态与自旋单重态能隙一直是量子化学领域难题）的计算中表现突出。
(此处应插入论文中展示基态、激发态以及双自由基体系计算结果的图表，并简要说明图表所展示的关键信息)
研究团队： 该研究由字节跳动研究部门、北京大学物理学院陈基课题组和北京大学智能学院王立威课题组共同完成。
未来展望： 这项研究为量子化学计算提供了新的高效工具，有望推动量子化学领域的发展，并为解决更复杂的科学问题提供新的途径。
参考文献： 文中列举了多篇相关文献，包括在量子激发态计算方面具有代表性的研究成果，以及关于双自由基体系计算的挑战和现有方法的介绍。 (此处可选择性地列出几篇核心参考文献，并简要说明其内容。)
